Retos de la Proliferación de Modelos. 2 de Octubre 2012

Transcripción

1 Retos de la Proliferación de Modelos 2 de Octubre 2012

2 ÍNDICE Introducción Tipos de modelos Problemática de gestión Conclusiones

3 Introducción 3 Aunque hay créditos desde hace 5000 años, los modelos sólo aparecen durante los últimos 50. Esencialmente ofrecen una forma de identificar los diferentes grupos que existen en una población, con el fin de controlar los riesgos inherentes a cada perfil y realizar una evaluación más ajustada y precisa. Introducidos en la banca en los 70 de forma meramente testimonial, a principios de los 90 muy pocos bancos utilizaban modelos habitualmente en sus procesos de toma de decisión. Es a partir de 1997, según un estudio de la Reserva Federal, cuando el 70% de los grandes bancos usan modelos para la toma de decisiones de crédito. El uso de los modelos analíticos en la toma de decisiones en la banca han sido vitales para el desarrollo del negocio y el crecimiento producido durante los últimos 50 años, aplicados tanto en la toma de decisiones como en la evaluación y seguimiento del riesgo asumido. Proporcionan la aplicación de la estadística y la investigación operativa en el mundo de las finanzas y la banca. Utilizando métricas avanzadas para la medición de los riesgos inherentes a la actividad bancaria. Objetivos 1. Reducción del tiempo en la toma de decisiones. Pasando de días e incluso semanas a unas pocas horas o minutos. 2. Reducir la subjetividad del proceso de aprobación, al no estar las decisiones afectadas por la experiencia y subjetividad de un analista. 3. Tener en cuenta más factores para una decisión más fundamentada, superando los límites del juicio humano. 4. Todo esto finalmente redunda en una reducción del coste del proceso de evaluación del crédito

4 4 ÍNDICE Introducción Tipos de modelos Problemática de gestión Conclusiones

5 Medición del riesgo 55 Riesgo de crédito Tipos de riesgo Riesgo de mercado Riesgo de operacional Riesgo de ALM, Clasificación de métricas Riesgo de crédito Proceso de adquisición Aprobación/denegación Importe, plazo, precio Fraude Garantías Producto Gestión de cuentas Límites PD Proyección de morosidad Acciones de marketing Campañas Venta cruzada Nuevos segmentos Recobro y recuperaciones Proyección de pagos Gestión de acciones Gestión del riesgo Análisis proactivo de límites Parámetros de perdida esperada (PD, LGD, EAD) Calculo de capital (regulatorio económico) Provisiones

6 Clasificación de modelos 66 Hay muchos tipos de modelos en función del uso u objetivo perseguido. Podemos encontrar modelos para valorar las carteras y las operaciones, para valoración de clientes o no clientes. Según la disponibilidad de datos, tendremos modelos a medida o genéricos para utilizar en los procesos de admisión, marketing y venta cruzada o gestión de las carteras. Algunos de los más utilizados en el mundo financiero son los siguientes: Vinculación del cliente Admisión. Utilizados para la admisión de operaciones de crédito, el modelo evalúa la solicitud de crédito para aprobar o denegar la concesión del mismo. Se aplica a clientes nuevos Comportamiento. Modelos para predecir los diferentes tipos de comportamiento futuro de las cuentas de crédito existentes en una entidad financiera. Son utilizados para la gestión de las carteras en la concesión de nuevos productos o límites, así como en la gestión de posibles impago. Se aplica a clientes existentes. Aplicación del modelo Fraude. Durante el proceso de admisión, identifican potenciales actividades fraudulentas. Modelos de precios. Cuya finalidad es asignar un precio a las operaciones basándose en el perfil de riesgos del cliente/operación y el apetito de riesgo de la entidad. Modelos de mercado, para valorar las operaciones y carteras en un horizonte temporal prefijado. Estimación de parámetros de perdida esperada, para el cálculo de la pérdida esperada tanto dentro del componente de riesgo de crédito del pilar 1, como para el cálculo del capital regulatorio en el modelo IRB. PD. Probabilidad de default (90 días en impago) en los próximos 12 meses, calculada como una función de los modelos de admisión y comportamiento EAD. Exposición en default. Valor financiero esperado de una operación si hace default en los próximos 12 meses. LGD. Proyección de la pérdida una vez dado el default. Modelos de provisiones, para establecer una estimación de la necesidad de provisiones de la entidad. Modelos de recobro, que estiman la cantidad a recuperar o la probabilidad de respuesta

7 77 ÍNDICE Introducción Tipos de modelos Problemática de gestión Conclusiones

8 Problemática planteada 88 Gran cantidad de modelos y múltiples fuentes de datos Intervienen aspectos como el objetivo y proceso medido, localización geográfica, sistema origen de la información. Según el modelo a desarrollar, la fuente de información varía. Así tendremos diferentes variables para modelos de admisión, de comportamiento, fraude Modelos Datos de la solicitud de crédito, información relativa a: Origen de la operación y datos identificativos Datos socio-económicos de los clientes (sociodemográficos, patrimonial, vinculación con la entidad, otras operaciones del cliente) Datos de los bienes a financiar y garantías (inmuebles, vehículos, valoraciones, ) Datos de intermediarios Rendimiento de cuentas y clientes Datos de balances de empresas Situación de impagos y saldos Burós de crédito Impagos Pasivo Información positiva de pagos Scores externos datos macroeconómicos y de conyuntura económica (precios, tipos de interés, tasas de paro, ) datos no estructurados, incluyendo la documentación necesaria para la formalización.

9 Problemática planteada 99 Tecnología adecuada El desarrollo de modelos exige gran cantidad de datos, con series históricas muy largas, cuyo procesamiento consume gran cantidad de recursos tanto HW como SW. Es necesario la utilización de arquitecturas software y hardware de altas prestaciones para implantar procesos de cálculo con requerimientos computacionales altos, tanto en accesos a recursos de almacenamiento como a capacidad de proceso. Un volumen enorme de información almacenada en múltiples sistemas de información: Bases de datos distribuidas, ficheros estructurados. Series temporales que cubran las ventanas de necesarias según tipología de modelos. Procesos costosos de minería de datos, que extraen información de datos estructurados en múltiples dimensiones. Múltiples escenarios de simulación, para estimar resultados desde diferentes ópticas Procesos de optimización de objetivos basados en múltiples variables de entrada. Técnicas de contraste de hipótesis y validación estadística. Tratamiento de muestras, análisis univariante y multivariante.

10 Problemática planteada Condiciones macroeconómicas El cambio de ciclo económico ha impactado en los modelos de calificación y decisión haciendo que estos pierdan poder predictivo. Diferentes clientes se ven afectados de forma diferente por un entorno económico dado. La relación entre puntuación y la definición de rendimiento utilizada (bueno/malo) ha cambiado. La ordenación que realizan los modelos no recoge todo el impacto que la situación macro y los cambios en políticas tienen sobre parte de la cartera. Ante esta situación, es necesario establecer mecanismos predictivos que permitan anticipar el impacto en los modelos de medición del riesgo derivado de cambios en las condiciones macroeconómicas. En este sentido, es necesario: Anticipar la nueva morosidad de las carteras, mediante la utilización de las estimaciones de los modelos de stress test. Corregir la medición del riesgo adaptándola a cada situación macro, estableciendo correcciones en el modelo de decisión a partir de ejercicios de simulación del modelo bajo diferentes escenarios Analizar la sensibilidad del modelo frente a factores macro, analizando como impacta en la calibración y en el poder de predicción, para ajustar las puntuaciones de los modelos.

11 11 11 ÍNDICE Introducción Tipos de modelos Problemática de gestión Conclusiones

12 Probabilidad % deudores Conclusiones Como consecuencia de todo lo anterior, en los últimos años, el uso de modelos para dar soporte a la gestión de los riesgos ha crecido enormemente, tanto en la creación de modelos que cubran nuevos riesgos y aspectos de negocio, como en la adaptación de los existentes a los nuevos requerimientos y desafíos. Se plantea la necesidad de gestionar un «activo» de la entidad de manera eficiente, ya que la diversidad de modelos, el volumen de información asociada y las necesidades tecnológicas exigentes establecen una nueva problemática que, marcada por condicionantes externos, está en continua evolución y crecimiento. En esta situación, es necesario gestionar: Un gran número de modelos que cubren todos los aspectos de los riesgos financieros y el ciclo de vida del crédito, en aspectos como: Mapa de modelos existente Estado de los modelos y necesidades de ajuste 2.0 Defaults Los objetivo de negocio que miden, integrados en la gestión de la actividad de riesgos (producción, saldos, carteras, capital, ) No Defaults Un volumen de información enorme, con diccionarios de datos específicos por tipología de modelo Los sistemas tecnológicos que soportan la toma de decisiones, en continua evolución Score Media: pérdida esperada o promedio Bases de datos que proporcionan la información para el desarrollo y seguimiento, así como los resultados de los modelos en su uso en la gestión Control de los procesos e integración en los sistemas que soportan los modelos implantados en producción previsiones pérdidas inesperadas Capital económico: cubre pérdidas inesperadas hasta cierto percentil Probabilidad que las pérdidas excedan el VaR (esperadas + Percentil 99.9% inesperadas): 0.01% Control de las variables que intervienen y que son objeto de seguimiento y ajuste, etc. 0

13 Conclusiones Es necesario definir un modelo de gestión que permita el control y medición de los modelos. Proliferación de modelos de medición de los riesgos asociados a la actividad financiera Provocan una necesidad de gestión que antes no era necesaria dentro de las entidades financieras: Condiciones externas altamente cambiantes Gestionar los inventarios de modelos Calidad de los modelos Integrada con el resto de la actividad de la entidad Gran volumen de datos a gestionar y capacidad de proceso elevados

14 Conclusiones que permita la gestionar los inventarios de modelos, procesos de aprobación, control de versiones, alarmas y alertas sobre su uso y estados. Estableciendo procesos de gobierno y control de: modelos, sistemas tecnológicos y carteras. Funciones para: Inventario de modelos, que incluya un cuadro de mandos con: Modelos catalogados por diversos ejes: países, carteras, productos, tipología de cliente, tipología de modelo... Indicadores para la medición del estado de los modelos, vinculado al proceso de seguimiento de los mismos. Relacionado con los responsables de riesgos que utilizan el modelo Que contenga la definición del modelo y los indicadores estadísticos de desarrollo Procesos de gobierno, con funciones para: Aprobación y documentación de los modelos Revisión del uso en la gestión Control de la cartera gestionada Sustitución y ajuste de los modelos Control del proceso de desarrollo y seguimiento de los modelos: Definiciones metodológicas de cada tipo de modelo. Creando un repositorio de definiciones que den respuesta a reguladores y departamentos de control internos y externos. Herramientas y sistemas de información utilizados. Rendimiento. Plazos de entrega y cumplimiento de acuerdos de nivel de servicio

15 Conclusiones Que controle la calidad de los modelos mediante la medición de la capacidad predictiva, tanto en la construcción como en el seguimiento. Con indicadores propios de la actividad de gestión de modelos. Indicadores que midan: Estado del modelo en cuanto a: Estabilidad de la población evaluada. Rendimiento esperado en términos de PD asociada al modelo. Calibración. Mantenimiento de la relación buenos/malos por puntuación en el tiempo. Uso en la gestión, evaluando: Cartera gestionada por los modelos Gestión de impagos y morosidad, sobre ejes de negocio y modelos Proceso de contratación de productos valorados por un modelo. Utilización en cálculo de capital económico y regulatorio.

16 Conclusiones que asegure la integración con el resto de la actividad de la entidad, respecto a la de gestión y control de las carteras de clientes y la gestión de riesgos. Mediante el control de: Utilización en los procesos para los que fueron diseñados: Proceso de admisión y control del fraude Control de clientes Procesos de recobro Estimación de capital y pérdida esperada Grado de cobertura de las carteras de riesgos gestionadas por la entidad: Particulares y empresas Productos de consumo o financiación Préstamos garantizados o no garantizados Productos de inversión Exigencias de los reguladores Normativa Banco de España Calculo de capital. Basilea II

17 Conclusiones todo apoyado en tecnología capaz de dar respuestas de negocio, en campos con gran consumo de recursos tecnológicos como la minería de datos y el análisis estadístico. Capacidad tecnológica que proporcione: Herramientas adecuadas para la extracción, análisis y optimización de los procesos de minería, que permitan: Analizar el 100% de los datos, no simples muestras. - Back-testing - Stress-testing Aumente el número de variables que forman parte de la analítica descriptiva. Ayudando a localizar nuevas variables predictivas adicionales más allá de las típicamente utilizadas. Incrementar la productividad. Más modelos por día / analista / segmento de cliente. Entornos de información necesarios para maximizar el rendimiento del proceso de construcción y seguimiento de los modelos. Sistemas tecnológicos hardware de altas prestaciones, que permitan análisis estadístico y simulaciones en tiempo real: Que permitan mover grandes volúmenes de datos con seguridad y confianza Generen resultados más precisos mejorando los procesos de construcción de los modelos. A veces no tenemos tiempo suficiente para lograr la mejor estrategia de desarrollo.

18 18